A cost effectiveness analysis of urate lowering drugs in nontophaceous recurrent gouty arthritis
Notice bibliographique
Résumé
Objective, To determine in a Canadian health care setting the cost effectiveness of urate lowering drugs (ULD) in the treatment of nontophaceous gouty arthritis with recurrent attacks and to evaluate the least costly regimen among available ULD.Methods, A decision analysis model was designed using hypothetical cohorts of patients who present 1 to 4 recurrent attacks/year. It incorporated costs and probabilities estimated from the published literature. Effectiveness was defined as the number of recurrent attacks averted by each treatment strategy (ULD or No ULD), The incremental cost effectiveness ratio was defined as the ratio of the additional cost incurred by a management strategy compared with the additional benefit derived from it. A multiway sensitivity analysis was built to allow the modelling of extreme case scenarios favoring (best ULD scenario) and disfavoring (worst ULD scenario) the ULD therapy.Results. Using the baseline scenario estimates for the hypothetical cohort of patients presenting one attack/year, the total annualized costs per patient associated with ULD and No ULD treatment were Cdn $426.27 and 267.27, respectively. The average cost effectiveness ratios were $592.25 and 5,345.37, respectively, per attack averted, For this cohort of patients the incremental cost effectiveness ratio ranged from $99.59 (best ULD scenario) to 489.26 (worst ULD scenario). The treatment with ULD is cost saving if patients present 2 or more attacks/year. Allopurinol in its generic formulation was the ULD that presented the lowest incremental cost effectiveness ratio.Conclusion, ULD treatment is cost effective. It is also cost saving if patients present 2 or more recurrent attacks/year.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».